Verwenden von Azure Machine Learning-Pipelines ohne Code zum Erstellen von RAG-Pipelines (Vorschau)
In diesem Artikel finden Sie Beispiele zum Erstellen einer RAG-Pipeline. Für fortgeschrittene Szenarien können Sie Ihre eigenen benutzerdefinierten Azure Machine Learning-Pipelines mithilfe von Code erstellen (typischerweise Notebooks), die Ihnen eine differenzierte Kontrolle hinsichtlich des RAG-Workflows ermöglichen. Azure Machine Learning erstellt mehrere integrierte Pipelinekomponenten für die Datensegmentierung, die Generierung von Einbettungen, die Erstellung von Testdaten, die automatische Generierung von Eingabeaufforderungen und die Auswertung von Eingabeaufforderungen. Diese Komponenten können gemäß Ihren Anforderungen mithilfe von Notebooks verwendet werden. Sie können sogar den in Azure Machine Learning erstellten Vektorindex in LangChain verwenden.
Wichtig
Dieses Feature ist zurzeit als öffentliche Preview verfügbar. Diese Vorschauversion wird ohne Vereinbarung zum Servicelevel bereitgestellt und ist nicht für Produktionsworkloads vorgesehen. Manche Features werden möglicherweise nicht unterstützt oder sind nur eingeschränkt verwendbar.
Weitere Informationen finden Sie unter Zusätzliche Nutzungsbestimmungen für Microsoft Azure-Vorschauen.
Voraussetzungen
Ein Azure-Abonnement. Wenn Sie kein Azure-Abonnement besitzen, können Sie ein kostenloses Konto erstellen.
Zugriff auf Azure OpenAI
Aktivieren von Prompt-Flow in Ihrem Azure Machine Learning-Arbeitsbereich.
Sie können Prompt-Flow in Ihrem Azure Machine Learning-Arbeitsbereich aktivieren, indem Sie im Bereich Previewfunktionen verwalten die Option KI-Lösungen mit Prompt-Flow erstellen aktivieren.
Prompt-Flow-Pipelinenotebook – Stichprobenrepository
Azure Machine Learning bietet Notebooktutorials für verschiedene Anwendungsfälle mit Prompt-Flow-Pipelines.
QA-Datengenerierung
Die QA-Datengenerierung kann verwendet werden, um die beste Eingabeaufforderung für RAG zu erhalten und Metriken für RAG auszuwerten. Dieses Notebook zeigt Ihnen, wie Sie ein QA-Dataset aus Ihren Daten erstellen (Git-Repository).
Testdatengenerierung und automatische Eingabeaufforderung
Verwenden Sie Vektorindizes, um ein abruferweitertes Generierungsmodell zu erstellen und den Prompt-Flow mit einem Testdataset auszuwerten.
Erstellen eines FAISS-basierten Vektorindexes
Richten Sie eine Azure Machine Learning-Pipeline ein, um ein Git-Repository zu pullen, die Daten in Blöcken zu verarbeiten, die Blöcke einzubetten und einen LangChain-kompatiblen FAISS-Vektorindex zu erstellen.
Nächste Schritte
Erstellen eines Vektorindexes in Azure Machine Learning-Prompt-Flow (Vorschau)
Verwenden von Vektorspeichern mit Azure Machine Learning (Vorschau)